Cadence y Nvidia amplían su alianza para entrenar robots con simulaciones más precisas

Cadence y Nvidia van a por uno de los puntos más dolorosos de la robótica: la brecha entre lo que un robot aprende en simulación y cómo se comporta después en el mundo real. Las compañías anunciaron la ampliación de su alianza el 15 de abril de 2026 en la conferencia CadenceLIVE Silicon Valley, en Santa Clara. El objetivo es sencillo de enunciar y difícil de ejecutar: lograr que los datos de entrenamiento de robots sean tan realistas que la IA física llegue antes a su implantación real, en lugar de quedarse atascada entre el laboratorio y la producción.

Para Nvidia, es la continuación de su apuesta por la IA física, una clase de sistemas que no solo deben generar texto o imágenes, sino actuar en el espacio, manipular objetos, desplazarse y tener en cuenta la resistencia de los materiales, la fricción, las colisiones y la masa. Para Cadence, es una ampliación lógica más allá de su imagen habitual como proveedor de software de diseño de chips. Además de las herramientas EDA, cuenta con potentes motores físicos y simuladores multifísicos capaces de modelar la deformación de metales, el flujo de fluidos, el contacto entre superficies y otros procesos de los que la robótica depende en exceso.

Los socios quieren integrar precisamente estos modelos en el ciclo de entrenamiento de robots.

El problema que intentan resolver es bien conocido en el sector. Entrenar un robot en el mundo real es lento, caro y a menudo inseguro: hacen falta hardware, espacio, ingenieros, protección ante averías y un enorme número de repeticiones. La simulación permite ejecutar escenarios más rápido y a menor coste, pero solo mientras el entorno virtual refleje con suficiente precisión la física del mundo real.

Si un objeto se desliza en la simulación de forma distinta a la realidad, si la superficie es demasiado perfecta o el contacto de la pinza se calcula de forma simplificada, el modelo aprenderá un comportamiento erróneo. Y el robot que resultaba convincente en pantalla empieza a fallar en un almacén, un taller o una línea de montaje. Cuanto más precisos son los datos sintéticos, más útil es el entrenamiento, y en ello se basa toda la lógica del acuerdo.

Desde el punto de vista técnico, la pila conjunta debe conectar varias capas en un único flujo de trabajo. Por parte de Nvidia incluye las bibliotecas abiertas Isaac para simulación y entrenamiento de robots, los modelos Cosmos para modelado del mundo y el hardware Jetson para ejecutar los sistemas en el borde y en los propios dispositivos. Por parte de Cadence, aporta simulaciones multifísicas de alta precisión y entornos de prueba adicionales como VTD y VTDx para escenarios complejos.

En la descripción oficial de la alianza, las compañías hablan de un flujo orquestado por agentes de IA: estos agentes coordinarán las etapas desde la preparación y la orquestación del entrenamiento hasta la optimización de políticas, la validación, los datos de campo y la retroalimentación posterior al despliegue. Es decir, no se trata de una bonita imagen en 3D, sino de un ciclo cerrado en el que el entrenamiento virtual se contrasta continuamente con el comportamiento real de la máquina.

En un plano más amplio, también es una señal de cómo cambia el mercado de infraestructura para IA. Nvidia ha ido tejiendo vínculos entre computación, simulación, gemelos digitales y software industrial: antes ya profundizó sus alianzas con Siemens y Dassault Systèmes, y ahora refuerza la robótica a través de Cadence. Para la propia Cadence, es una oportunidad de ocupar un lugar no solo en la cadena de desarrollo de microchips, sino también en la creciente capa de herramientas para IA física.

En el comunicado sobre la alianza ampliada, las compañías hablan además de IA agéntica y gemelos digitales para fábricas de IA; en algunas tareas de ingeniería, Cadence promete acelerar los flujos de trabajo hasta 100 veces, aunque en robótica el factor clave sigue siendo no la velocidad en sí, sino la fiabilidad de la simulación y la confianza al llevar los sistemas a entornos reales.

La conclusión principal: la carrera de la robótica depende cada vez menos del modelo por sí solo y cada vez más de la calidad de los datos, la física de la simulación y la retroalimentación continua tras el despliegue. Si la combinación de Cadence y Nvidia logra de verdad reducir la brecha sim-to-real, los fabricantes de robots podrán probar nuevas habilidades con más rapidez, romper hardware con menos frecuencia en las primeras etapas y lanzar sistemas a tareas reales con más seguridad. Eso no significa que el problema esté resuelto del todo: el mundo real sigue siendo más sucio, más ruidoso y más impredecible que cualquier copia digital.

Pero la alianza muestra hacia dónde va el mercado: simulaciones más precisas, una unión más estrecha entre software y hardware y un camino más práctico del entrenamiento del modelo a un robot que funcione.